MotionScale：基于可扩展4D高斯溅写的动态场景外观、几何与运动重建
计算机视觉与模式识别
2026-04-01 v1
摘要
从单目视频中重建动态4D场景的真实感是理解物理世界的关键。尽管近期在神经渲染方面取得了进展，但现有方法往往难以恢复准确的3D几何和在复杂环境中的时一致运动。为此，我们提出MotionScale——一个可扩展至大规模场景和长序列视频的4D高斯溅写框架，同时保持高保真的结构和运动一致性。我们方法的核心是一种可扩展的运动场，由基于簇心的基准变换参数化，自适应扩展以捕捉多样且演化的运动模式。为确保长时间尺度的稳健重建，我们引入渐进优化策略，包含两个解耦的传播阶段：（1）背景扩展阶段适应新可见区域，细化相机姿态，显式建模瞬时阴影；（2）前景传播阶段通过专门的三阶段精炼过程实现运动一致性。在挑战性的真实世界基准上的大量实验表明，MotionScale在重建质量和时序稳定性方面显著优于当前最先进的方法。项目页面：https://hrzhou2.github.io/motion-scale-web/。
引用
@article{arxiv.2603.29296,
title = {MotionScale: Reconstructing Appearance, Geometry, and Motion of Dynamic Scenes with Scalable 4D Gaussian Splatting},
author = {Haoran Zhou and Gim Hee Lee},
journal= {arXiv preprint arXiv:2603.29296},
year = {2026}
}
备注
Accepted to CVPR 2026